[CP_06] Python爬虫基础概述
目录结构
一、Python爬虫简介
1. 大数据时代获取信息的途径
2. 通用爬虫&聚焦爬虫
1）通用爬虫
2）聚焦爬虫
二、Python爬虫基础-准备
1. 请求--响应（模型）
2. URL基本格式
3. GET请求 & POST请求
一、Python爬虫简介
1. 大数据时代获取信息的途径
学习意义：从纷繁杂乱的网络数据中提取有价值的数据，然后进行分析其中蕴含的规律、历史&现状、趋势预测...，作为行业决策的参考
大数据时代，数据获取途径：
- 企业产生用户数据：百度指数、阿里指数、TBI腾讯浏览指数、新浪微博指数
- 数据平台购买数据：数据堂、国云数据市场、贵阳大数据交易
- 政府机构公开数据：国家统计局数据、世界银行公开数据、联合国数据、纳斯达克
- 数据管理咨询公司：麦肯锡、埃森哲、艾瑞咨询
- 爬取网络数据：数据市场上没有or不愿购买的数据，通过网络爬虫获取和分析
2. 通用爬虫&聚焦爬虫
1）通用爬虫
通用网络爬虫是搜索引擎抓取系统（Baidu/Google/Yahoo）的重要组成部分，主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份
通用网络爬虫-工作流程图
搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需变遵从一些命令or文件的内容，如标注为agf9llw的链接，或是Robots协议。
Robots协议（爬虫协议/机器人协议）：网络爬虫排除标准（Robots Exclusion Protocol），网站通过Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。查看robots协议文件，格式为：主域名/robots.txt
Step1：抓取网页
搜索引擎网络爬虫的基本工作流程：
（1）首先选取一部分种子URL，将这些URL放入待抓取URL队列
（2）取出待抓取URL，解析DNS得到主机IP，并将URL对应的网页下载下来，存储进已下载网页库中，然后将这些URL放进已抓取URL队列
（3）分析已抓取URL队列中的其他URL，提取新的URL放入待抓取URL队列，从而进入下一个循环
通用爬虫网络框架
Step2：数据存储
（1）网页内容存储：搜索引擎通过爬虫爬取到网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器访问得到的HTML是一致的。
（2）重复内容检测：搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集or复制的内容，很可能就不再爬行。
Step3：预处理（数据清洗）
搜索引擎将爬虫抓取回的页面，进行各种步骤的预处理：
① 提取文字
② 中文分词
③ 消除嗓音（杂乱的信息，如：版权声明文字、导航条、广告...）
④ 索引处理
⑤ 链接关系计算
⑥ 特殊文件处理
除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如：PDF、Word、WPS、XLS、PPT、TXT文件等。在搜索结果中也常会看到以上文件类型，但搜索引掌还不能处理图片、视频、Flash这类非文字内容，也不能执行脚本和程序
Step4：提供检索服务，网站排名
搜索引攀在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检素相关的信息展示给用户，同时会根据页面的PageRank值（链接访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名靠前，当然也可以直接使用RMB购买来获得搜索引擎网站排名推广
搜索引擎工作模式
通用性搜索引擎的局限性：
（1）通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的（无效信息干扰）
（2）不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果
（3）万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取
（4）通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求
针对以上局限性，通过聚焦爬虫技术可以进行有效改善
2）聚焦爬虫
聚焦爬虫：是面向 "特定主题需求"（爬取指定主题的内容） 的一种网络爬虫程序，它与通用搜索引掌爬虫的区别在于，聚焦爬虫在实施网页提取时会对内容进行处理筛选，尽量保证只提取与需求相关的网页信息，提取的信息相对更加精准化，可获取常规的手工方式不容易获取的信息
二、Python爬虫基础-准备
1. 请求--响应（模型）
2. URL基本格式
基本格式：scheme://host[:port#]/path/.../[?query-string][#anchor]
scheme：协议。如：http、https、ftp
host：服务器的IP地址or域名。如：192.168.0.11
port#：服务器的端口。（http默认端口为80，https默认端口为443）
path：访问资源的路径
query-string：参数，发送给http服务器的数据
anchor：锚（跳转到网页的指定铺点链接地址）
3. GET请求 & POST请求
GET是从服务器上获取数据，POST是向服务器传送数据
GET请求：其参数显示在浏览器网址上，HTTP服务器根据请求所包含URL中的参数来产生响应内容
POST请求：参数在请体中传递，消息长度没有限制而且以隐式的方式进行发送，通常用来向HTTP服务器提交容量比较大的数据（如：请求中包含许多参数or文件上传操作）。通过"Content-Type"指明该消息体的媒体类型/数据提交方式、编码方式
<关联> [PPJ_02] HTTP基本原理-知识点归纳
PS：
尽可能避免使用GET方式提交表单，因可能产生安全问题，如在登录表单中用GET方式，用户输入的用户名和密码将在地址栏中暴露出来
